library(data.table)
library(dplyr)
library(ggplot2)
library(grid)
library(plotly)
library(tibble)
library(stringr)
library(rpart)
library(rpart.plot)
wine_dset <- read.csv2('BaseWine_Red_e_White2018.csv')
Para começar nossa análise vamos identificar as variáveis para entender o que elas podem significar no contexto da composição de um vinho.
str(wine_dset)
## 'data.frame': 6497 obs. of 14 variables:
## $ id_vinho : int 1 2 3 4 5 6 7 8 9 10 ...
## $ fixedacidity : num 6.6 6.7 10.6 5.4 6.7 6.8 6.6 7.2 5.1 6.2 ...
## $ volatileacidity : num 0.24 0.34 0.31 0.18 0.3 0.5 0.61 0.66 0.26 0.22 ...
## $ citricacid : num 0.35 0.43 0.49 0.24 0.44 0.11 0 0.33 0.33 0.2 ...
## $ residualsugar : num 7.7 1.6 2.2 4.8 18.8 ...
## $ chlorides : num 0.031 0.041 0.063 0.041 0.057 0.075 0.069 0.068 0.027 0.035 ...
## $ freesulfurdioxide : num 36 29 18 30 65 16 4 34 46 58 ...
## $ totalsulfurdioxide: num 135 114 40 113 224 49 8 102 113 184 ...
## $ density : num 0.994 0.99 0.998 0.994 1 ...
## $ pH : num 3.19 3.23 3.14 3.42 3.11 3.36 3.33 3.27 3.35 3.11 ...
## $ sulphates : num 0.37 0.44 0.51 0.4 0.53 0.79 0.37 0.78 0.43 0.53 ...
## $ alcohol : num 10.5 12.6 9.8 9.4 9.1 9.5 10.4 12.8 11.4 9 ...
## $ quality : int 5 6 6 6 5 5 4 6 7 6 ...
## $ Vinho : Factor w/ 2 levels "RED","WHITE": 2 2 1 2 2 1 1 1 2 2 ...
“fixedacidity” -> Acidex Fixa : Acidez é uma das características básica que tem uma contribuição relevante para o sabor, frescura, equilíbrio e capacidade de conservação dos vinhos. Acidez Fixa é a diferença entre acidez total do vinho e sua acidez volátil.
“volatileacidity” -> Acidex Volátil : É um componente do vinho que tipicamente cresce conforme o vinho envelhece e, em quando atinge um nível elevado, é responsável pelo aroma de vinagre. É o resultado da falta de cuidados durante a vinificação.
“citricacid” -> Ácido Cítrico : Nos vinhos o ácido cítrico tem pouca ou nenhuma presença. Nos vinhos tintos desaparece devido à ação de bactérias láticas (fermentação malolática). Sensorialmente é fresco, porém em alguns casos pode apresentar um leve final amargo.
“residualsugar” -> Açucar Residual : No processo de fermentação do vinho a levedura vai transformando o açúcar da uva em álcool. Por isso que, em teoria, quanto mais açúcar houver na uva, mais álcool haverá no vinho. Porem nem todo o açucar é transformado em alcool, e o açucar que resta no final do processo de fermentação é conhecido como açucar residual.
“chlorides” -> Cloretos : Os vinhos possuem em sua composição diversos produtos enológicos, sais e ácidos. Estes sais influenciam diretamente em sua qualidade.
“freesulfurdioxide” -> Dioxido de Enxofre Livre : As atividade antioxidásica do Dioxido de Enxofre bloqueia a ação de enzimas oxidantes, principalmente no início do processo de elaboração, evitando reações de oxidação e o conseqüente escurecimento do vinho.
“totalsulfurdioxide” -> Dioxido de Enxofre Total : Dioxido de Enxofre é usado como conservante nos vinhos .
“density” -> Densidade : Define a leveza do vinhos, e pode ser caracterizado pelo tipo da uva ou por técnicas usadas na vinificação que podem ser determinantes na concentração da bebida.
“pH” -> PH : Vinhos são naturalmente ácidos, com a maioria indo de 2,8 a 4,0. Os níveis de pH estão intrinsecamente ligados ao estilo e qualidade dos vinhos. O pH relativamente baixo, na faixa de 3,1 a 3,4, parece ser pré-requisito para a produção de vinhos de alta qualidade com solidez.
“sulphates” -> Sulfatos : Os sulfitos também tem um papel de conservantes nos vinhos e ajudam na extração dos compostos fenólicos do vinho, responsáveis pela concentração de cor e taninos.
“alcohol” -> Alchool : O teor ácido é aquele responsável por conferir a textura e sensação de frescor. O teor ácido do vinho está diretamente ligado ao tipo de uva com o qual foi produzido, e o ideal é encontrar o equilíbrio perfeito entre o açúcar e a acidez ideal na hora da colheita.
“quality” -> Qualidade : Uma infidade de aspectos influenciam na qualidade dos vinhos, desde aspectos como o nivel de oxidação, até a contaminação da rolha.
“Vinho” -> Vinho : Os principais tipos de vinhos são Tintos e Brancos, mas há também outros tipos como vinhos roses, doces e espumantes.
glimpse(wine_dset)
## Observations: 6,497
## Variables: 14
## $ id_vinho <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, ...
## $ fixedacidity <dbl> 6.6, 6.7, 10.6, 5.4, 6.7, 6.8, 6.6, 7.2, 5....
## $ volatileacidity <dbl> 0.240, 0.340, 0.310, 0.180, 0.300, 0.500, 0...
## $ citricacid <dbl> 0.35, 0.43, 0.49, 0.24, 0.44, 0.11, 0.00, 0...
## $ residualsugar <dbl> 7.70, 1.60, 2.20, 4.80, 18.75, 1.50, 1.60, ...
## $ chlorides <dbl> 0.031, 0.041, 0.063, 0.041, 0.057, 0.075, 0...
## $ freesulfurdioxide <dbl> 36, 29, 18, 30, 65, 16, 4, 34, 46, 58, 54, ...
## $ totalsulfurdioxide <dbl> 135, 114, 40, 113, 224, 49, 8, 102, 113, 18...
## $ density <dbl> 0.99380, 0.99014, 0.99760, 0.99445, 0.99956...
## $ pH <dbl> 3.19, 3.23, 3.14, 3.42, 3.11, 3.36, 3.33, 3...
## $ sulphates <dbl> 0.37, 0.44, 0.51, 0.40, 0.53, 0.79, 0.37, 0...
## $ alcohol <dbl> 10.50, 12.60, 9.80, 9.40, 9.10, 9.50, 10.40...
## $ quality <int> 5, 6, 6, 6, 5, 5, 4, 6, 7, 6, 5, 6, 6, 6, 6...
## $ Vinho <fct> WHITE, WHITE, RED, WHITE, WHITE, RED, RED, ...
wine_dset %>%
group_by(Vinho) %>%
count()
## # A tibble: 2 x 2
## # Groups: Vinho [2]
## Vinho n
## <fct> <int>
## 1 RED 1599
## 2 WHITE 4898
wine_white_dset <-
wine_dset %>%
filter(Vinho == 'WHITE')
wine_red_dset <-
wine_dset %>%
filter(Vinho == 'RED')
sum(is.na(wine_white_dset))
## [1] 0
sum(is.na(wine_red_dset))
## [1] 0
O vinho branco e vermelho apresentam características diferentes que definem se ele é bom ou ruim. Vamos dar uma olhada nos dados pra cada característica:
Vinho Branco
summary(wine_white_dset)
## id_vinho fixedacidity volatileacidity citricacid
## Min. : 1 Min. : 3.800 Min. :0.0800 Min. :0.0000
## 1st Qu.:1650 1st Qu.: 6.300 1st Qu.:0.2100 1st Qu.:0.2700
## Median :3310 Median : 6.800 Median :0.2600 Median :0.3200
## Mean :3284 Mean : 6.855 Mean :0.2782 Mean :0.3342
## 3rd Qu.:4932 3rd Qu.: 7.300 3rd Qu.:0.3200 3rd Qu.:0.3900
## Max. :6497 Max. :14.200 Max. :1.1000 Max. :1.6600
## residualsugar chlorides freesulfurdioxide totalsulfurdioxide
## Min. : 0.600 Min. :0.00900 Min. : 2.00 Min. : 9.0
## 1st Qu.: 1.700 1st Qu.:0.03600 1st Qu.: 23.00 1st Qu.:108.0
## Median : 5.200 Median :0.04300 Median : 34.00 Median :134.0
## Mean : 6.387 Mean :0.04577 Mean : 35.31 Mean :138.4
## 3rd Qu.: 9.900 3rd Qu.:0.05000 3rd Qu.: 46.00 3rd Qu.:167.0
## Max. :45.800 Max. :0.34600 Max. :289.00 Max. :440.0
## density pH sulphates alcohol
## Min. :0.9871 Min. :2.720 Min. :0.2200 Min. : 8.00
## 1st Qu.:0.9917 1st Qu.:3.090 1st Qu.:0.4100 1st Qu.: 9.50
## Median :0.9937 Median :3.180 Median :0.4700 Median :10.40
## Mean :0.9940 Mean :3.188 Mean :0.4898 Mean :10.51
## 3rd Qu.:0.9961 3rd Qu.:3.280 3rd Qu.:0.5500 3rd Qu.:11.40
## Max. :1.0140 Max. :3.820 Max. :1.0800 Max. :14.20
## quality Vinho
## Min. :3.000 RED : 0
## 1st Qu.:5.000 WHITE:4898
## Median :6.000
## Mean :5.878
## 3rd Qu.:6.000
## Max. :9.000
Vinho Vermelho
summary(wine_red_dset)
## id_vinho fixedacidity volatileacidity citricacid
## Min. : 3 Min. : 4.60 Min. :0.1200 Min. :0.000
## 1st Qu.:1523 1st Qu.: 7.10 1st Qu.:0.3900 1st Qu.:0.090
## Median :3103 Median : 7.90 Median :0.5200 Median :0.260
## Mean :3141 Mean : 8.32 Mean :0.5278 Mean :0.271
## 3rd Qu.:4690 3rd Qu.: 9.20 3rd Qu.:0.6400 3rd Qu.:0.420
## Max. :6490 Max. :15.90 Max. :1.5800 Max. :1.000
## residualsugar chlorides freesulfurdioxide totalsulfurdioxide
## Min. : 0.900 Min. :0.01200 Min. : 1.00 Min. : 6.00
## 1st Qu.: 1.900 1st Qu.:0.07000 1st Qu.: 7.00 1st Qu.: 22.00
## Median : 2.200 Median :0.07900 Median :14.00 Median : 38.00
## Mean : 2.539 Mean :0.08747 Mean :15.87 Mean : 46.47
## 3rd Qu.: 2.600 3rd Qu.:0.09000 3rd Qu.:21.00 3rd Qu.: 62.00
## Max. :15.500 Max. :0.61100 Max. :72.00 Max. :289.00
## density pH sulphates alcohol
## Min. :0.9901 Min. :2.740 Min. :0.3300 Min. : 0.9567
## 1st Qu.:0.9956 1st Qu.:3.210 1st Qu.:0.5500 1st Qu.: 9.5000
## Median :0.9968 Median :3.310 Median :0.6200 Median :10.2000
## Mean :0.9967 Mean :3.311 Mean :0.6581 Mean :10.4001
## 3rd Qu.:0.9978 3rd Qu.:3.400 3rd Qu.:0.7300 3rd Qu.:11.1000
## Max. :1.0037 Max. :4.010 Max. :2.0000 Max. :14.9000
## quality Vinho
## Min. :3.000 RED :1599
## 1st Qu.:5.000 WHITE: 0
## Median :6.000
## Mean :5.636
## 3rd Qu.:6.000
## Max. :8.000
Medianas - Tinto dataset
## fixedacidity
median_red_dset <- sapply(select(wine_red_dset, -c(Vinho, id_vinho, quality)), median)
median_red_dset <- as.data.frame(median_red_dset)
`colnames<-`(median_red_dset, "Median")
## Median
## fixedacidity 7.90000
## volatileacidity 0.52000
## citricacid 0.26000
## residualsugar 2.20000
## chlorides 0.07900
## freesulfurdioxide 14.00000
## totalsulfurdioxide 38.00000
## density 0.99675
## pH 3.31000
## sulphates 0.62000
## alcohol 10.20000
Medianas - Branco dataset
median_white_dset <- sapply(select(wine_white_dset, -c(Vinho, id_vinho, quality)),median)
median_white_dset <- as.data.frame(median_white_dset)
`colnames<-`(median_white_dset, "Median")
## Median
## fixedacidity 6.80000
## volatileacidity 0.26000
## citricacid 0.32000
## residualsugar 5.20000
## chlorides 0.04300
## freesulfurdioxide 34.00000
## totalsulfurdioxide 134.00000
## density 0.99374
## pH 3.18000
## sulphates 0.47000
## alcohol 10.40000
Diferença das medianas entre os dois tipos de vinhos
Cmedian_differenc <- abs(median_white_dset - median_red_dset)
Cmedian_differenc <- `colnames<-`(Cmedian_differenc, "Mediana_Difer")
Cmedian_differenc <- rownames_to_column(Cmedian_differenc)
Cmedian_differenc %>%
arrange(desc(Mediana_Difer)) %>%
rename(Caracteristica = rowname)
## Caracteristica Mediana_Difer
## 1 totalsulfurdioxide 96.00000
## 2 freesulfurdioxide 20.00000
## 3 residualsugar 3.00000
## 4 fixedacidity 1.10000
## 5 volatileacidity 0.26000
## 6 alcohol 0.20000
## 7 sulphates 0.15000
## 8 pH 0.13000
## 9 citricacid 0.06000
## 10 chlorides 0.03600
## 11 density 0.00301
Nota: a ordem descendente dessas características será utilizada nos plots para uma melhor visualização:
plot_ly(wine_dset, y = ~totalsulfurdioxide,type = "box",
color = ~Vinho, colors = c("red", "khaki")) %>%
layout(title = "Dióxido de Enxofre Total")
plot_ly(wine_dset, y = ~freesulfurdioxide,type = "box",
color = ~Vinho, colors = c("red", "khaki")) %>%
layout(title = "Dióxido de Enxofre Livre")
plot_ly(wine_dset, y = ~residualsugar,type = "box",
color = ~Vinho, colors = c("red", "khaki")) %>%
layout(title = "Açúcar Residual")
plot_ly(wine_dset, y = ~fixedacidity,type = "box",
color = ~Vinho, colors = c("red", "khaki")) %>%
layout(title = "Acidez Fixa")
Notando a media de cada característica, vemos uma diferença considerável pra cada vinho (Branco ou Vermelho), portanto, vamos pegar somente um tipo de vinho para uma análise coerente.
Como o número de dados pros vinhos brancos é bem maior do que o para os vermelhos (aprox. 3 vezes maior), seria interessante utilizar os dados que oferecem mais amostras pra treinar e validar nosso modelo.
A partir da análise acima, decidimos continuar somente com os vinhos branco por causa da quantidade e outros aspectos relevantes das váriaveis envolvidas.
Indentificando os componentes principais do dataset
#install.packages("dplyr")
library(dplyr)
vinhos_brancos <- wine_dset %>% filter(Vinho == 'WHITE')
vinhos_brancos <- vinhos_brancos[1:13]
fix(vinhos_brancos)
Padr_Vinhos <- scale(vinhos_brancos)
acpcor <- prcomp(Padr_Vinhos, scale = TRUE)
Vinhos2 <- vinhos_brancos %>%
mutate(pc1 = acpcor$x[, 1]) %>%
mutate(pc2 = acpcor$x[, 2]) %>%
mutate(pc3 = acpcor$x[, 3]) %>%
mutate(pc4 = acpcor$x[, 4])
matcor <- cor(Vinhos2)
#install.packages("corrplot")
library(corrplot)
corrplot::corrplot(matcor, method="circle", order="hclust")
Com base no gráfico gerado de componentes principais;
Podemos observar que cada componente gerado pelo componentes principais tem uma certa especialidade.
A correlação de PC1 com alcohol,residualsugar,totalsulfurdioxide e density são maiores em relação as outras variáveis.
A correlação de PC2 com Ph, fixadacity são maiores em relação as outras variáveis.
A correlação de PC3 com citricacid, volatileacidity e fixadacity são maiores em relação as outras variáveis.
A correlação de PC4 com chlorides e sulphates são maiores em relação as outras variáveis.
Mediante nossa análise dos componentes principais desse dataset, vamos utilizar os modelos PC1 e PC3, por possuirem melhor correlação com a variável qualidade:
Variáveis dependentes: ModeloPC1 <- (quality) ModeloPC3 <- (quality)
Variáveis independentes: ModeloPC1 <- (alchool,residualsugar,totalsulfurdioxide,density) ModeloPC3 <- (citricacid,volatileacidity,fixedacidity)
Analisando os coefficientes
attach(vinhos_brancos)
modelopc1 <- summary(lm(quality ~ alcohol+residualsugar+totalsulfurdioxide+density))
modelopc1
##
## Call:
## lm(formula = quality ~ alcohol + residualsugar + totalsulfurdioxide +
## density)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.4675 -0.5386 -0.0124 0.4711 3.2149
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.007e+02 1.379e+01 7.303 3.27e-13 ***
## alcohol 2.366e-01 1.959e-02 12.077 < 2e-16 ***
## residualsugar 5.542e-02 5.295e-03 10.467 < 2e-16 ***
## totalsulfurdioxide 4.428e-04 3.160e-04 1.401 0.161
## density -9.835e+01 1.374e+01 -7.156 9.57e-13 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.7872 on 4893 degrees of freedom
## Multiple R-squared: 0.2106, Adjusted R-squared: 0.2099
## F-statistic: 326.2 on 4 and 4893 DF, p-value: < 2.2e-16
modelopc3 <- summary(lm(quality ~ citricacid+volatileacidity+fixedacidity))
modelopc3
##
## Call:
## lm(formula = quality ~ citricacid + volatileacidity + fixedacidity)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.3170 -0.7450 0.0200 0.3588 3.3870
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.21420 0.10777 66.940 < 2e-16 ***
## citricacid -0.03717 0.10761 -0.345 0.73
## volatileacidity -1.74089 0.12372 -14.072 < 2e-16 ***
## fixedacidity -0.12247 0.01526 -8.024 1.27e-15 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8626 on 4894 degrees of freedom
## Multiple R-squared: 0.05189, Adjusted R-squared: 0.05131
## F-statistic: 89.28 on 3 and 4894 DF, p-value: < 2.2e-16
Podemos observar no ModeloPC1;
quality <- 100.7 + 0.2366(alcohol) + 0.05542(residualsugar) + 0.0004428(totalsulfurdioxide) + 98.35(density)
R² <- 21,06%
Verificamos então que esse modelopc1 como tentativa de escolher um modelo que explique a variável quality, percebemos estatisticamente que os estimadores para o caso de beta 3 (totalsulfurdioxide) é muito próximo de 0. Assumindo um nível de significância a 5% de probabilidade podemos vê que o P valor de beta 3 (totalsulfurdioxide), é superior ao nível de significância.
Por esses motivos apresentados não a porque colocar totalsulfurdioxide no modelo.
Podemos observar no ModeloPC3;
Verificamos então que esse modelopc3 como tentativa de escolher um modelo que explique a variável quality, percebemos estatisticamente que os estimadores para o caso de beta 1 (citricacid) é muito próximo de 0. Pelo mesmo motivo apresentado do modelopc1. Não a porque colocar citricacid no modelo.
quality <- 7.21420 - 0.28680(citricacid) - 1.76242(volatileacidity) - 0.12247(fixedacidity)
R² <- 51,89%
Reavaliando Modelos, depois da análise.
modelopc1 <- summary(lm(quality ~ alcohol+residualsugar+density))
modelopc1
##
## Call:
## lm(formula = quality ~ alcohol + residualsugar + density)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.5114 -0.5347 -0.0116 0.4747 3.1974
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 96.01833 13.37790 7.177 8.17e-13 ***
## alcohol 0.23748 0.01958 12.129 < 2e-16 ***
## residualsugar 0.05469 0.00527 10.379 < 2e-16 ***
## density -93.54585 13.31126 -7.028 2.39e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.7873 on 4894 degrees of freedom
## Multiple R-squared: 0.2102, Adjusted R-squared: 0.2098
## F-statistic: 434.3 on 3 and 4894 DF, p-value: < 2.2e-16
modelopc3 <- summary(lm(quality ~ volatileacidity+fixedacidity))
modelopc3
##
## Call:
## lm(formula = quality ~ volatileacidity + fixedacidity)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.3168 -0.7453 0.0217 0.3581 3.3862
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.21046 0.10721 67.253 <2e-16 ***
## volatileacidity -1.73451 0.12232 -14.180 <2e-16 ***
## fixedacidity -0.12399 0.01461 -8.487 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8625 on 4895 degrees of freedom
## Multiple R-squared: 0.05187, Adjusted R-squared: 0.05148
## F-statistic: 133.9 on 2 and 4895 DF, p-value: < 2.2e-16
Podemos perceber agora que R² do modelopc1 é 21,02% e R² do modelopc3 é 51,87%. Por esse motivo escolhemos o modelopc3. Mesmo R² do modelopc3 não sendo muito adequado, foi o melhor que conseguimos, realizando diversos testes.
res <- rstandard(lm(quality ~ volatileacidity+fixedacidity))
modelo_fim <- lm(quality ~ volatileacidity+fixedacidity)
plot(predict(modelo_fim), res, xlab = "Preditor linear",ylab = "Residuos")
abline(h = 0, lty = 2)
qqnorm(residuals(modelo_fim), ylab="Residuos",xlab="Quantis teóricos",main="")
qqline(residuals(modelo_fim))
shapiro.test(res)
##
## Shapiro-Wilk normality test
##
## data: res
## W = 0.97168, p-value < 2.2e-16
Verificando os residuos do modelo escolhido, nos mostra que pelo teste de normalidade utilizando a estatística do teste e obtendo o resultado de 0.97168 e o p valor de 2.2e-16. O valor de P do teste é pequeno por isso rejeita-se a hipótese de normalidade dos residuos e por consequência, conclui-se que os erros não são normalmente distribuídos
Variáveis dependentes: ModeloPC1 <- (quality) ModeloPC3 <- (quality)
Variáveis independentes: ModeloPC1 <- (alcohol+residualsugar+density) ModeloPC3 <- (volatileacidity+fixedacidity)
modelopc1 <- rpart (quality ~ alcohol+residualsugar+density, data=vinhos_brancos,
cp = 0.001,minsplit = 5,maxdepth=10)
rpart.plot(modelopc1, type=2, extra="auto", under=FALSE, clip.right.labs=TRUE,
fallen.leaves=TRUE, digits=2, varlen=-3, faclen=15,
cex=NULL, tweak=1.7,
compress=TRUE,box.palette="auto",
snip=FALSE)
Val_pred_tree <- predict(modelopc1,interval = "prediction", level = 0.95)
str(Val_pred_tree)
## Named num [1:4898] 5.89 6.51 5.35 5.38 5.86 ...
## - attr(*, "names")= chr [1:4898] "1" "2" "3" "4" ...
mse_tree <- mean((vinhos_brancos$quality - Val_pred_tree)^2)
sqrt(mse_tree)
## [1] 0.7109452
modelopc3 <- rpart (quality ~ volatileacidity+fixedacidity, data=vinhos_brancos,
cp = 0.001,minsplit = 5,maxdepth=10)
rpart.plot(modelopc3, type=2, extra="auto", under=FALSE, clip.right.labs=TRUE,
fallen.leaves=TRUE, digits=2, varlen=-3, faclen=15,
cex=NULL, tweak=1.7,
compress=TRUE,box.palette="auto",
snip=FALSE)